본 연구에서는 1/1,000 수치지형도 및 정밀도로지도 제작에 있어서 도로 레이어를 구성하고 있는 교통안전표지 및 도로표지의 제작 공정에 있어서 딥러닝의 적용방안을 탐색하였다. 딥러닝의 이미지 분류에서 활용하는 전수학습을 이용하여 취득한 영상에 대한 학습자료 구축을 통해 도로 표지정보의 자동분류를 수행하였다. 분석결과 주의, 규제, 지시, 보조는 촬영된 이미지의 품질 및 형태 등 여러 가지 요소에 의해 정확도가 불규칙하게 나타났지만, 안내표지의 경우는 정확도가 97% 이상으로 높게 나타났다. 수치지도제작에 있어 전수학습을 이용한 이미지 자동분류 방식은 교통안전표지를 포함한 다양한 레이어들에 대한 자료 취득과 분류에 있어서 활용이 증가할 것으로 기대한다.
본 연구에서는 1/1,000 수치지형도 및 정밀도로지도 제작에 있어서 도로 레이어를 구성하고 있는 교통안전표지 및 도로표지의 제작 공정에 있어서 딥러닝의 적용방안을 탐색하였다. 딥러닝의 이미지 분류에서 활용하는 전수학습을 이용하여 취득한 영상에 대한 학습자료 구축을 통해 도로 표지정보의 자동분류를 수행하였다. 분석결과 주의, 규제, 지시, 보조는 촬영된 이미지의 품질 및 형태 등 여러 가지 요소에 의해 정확도가 불규칙하게 나타났지만, 안내표지의 경우는 정확도가 97% 이상으로 높게 나타났다. 수치지도제작에 있어 전수학습을 이용한 이미지 자동분류 방식은 교통안전표지를 포함한 다양한 레이어들에 대한 자료 취득과 분류에 있어서 활용이 증가할 것으로 기대한다.
In this study, we investigated the application of deep learning to the manufacturing process of traffic and road signs which are constituting the road layer in map production with 1 / 1,000 digital topographic map. Automated classification of road traffic sign images was carried out through construc...
In this study, we investigated the application of deep learning to the manufacturing process of traffic and road signs which are constituting the road layer in map production with 1 / 1,000 digital topographic map. Automated classification of road traffic sign images was carried out through construction of training data for images acquired by using transfer learning which is used in image classification of deep learning. As a result of the analysis, the signs of attention, regulation, direction and assistance were irregular due to various factors such as the quality of the photographed images and sign shape, but in the case of the guide sign, the accuracy was higher than 97%. In the digital mapping, it is expected that the automatic image classification method using transfer learning will increase the utilization in data acquisition and classification of various layers including traffic safety signs.
In this study, we investigated the application of deep learning to the manufacturing process of traffic and road signs which are constituting the road layer in map production with 1 / 1,000 digital topographic map. Automated classification of road traffic sign images was carried out through construction of training data for images acquired by using transfer learning which is used in image classification of deep learning. As a result of the analysis, the signs of attention, regulation, direction and assistance were irregular due to various factors such as the quality of the photographed images and sign shape, but in the case of the guide sign, the accuracy was higher than 97%. In the digital mapping, it is expected that the automatic image classification method using transfer learning will increase the utilization in data acquisition and classification of various layers including traffic safety signs.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 보다 높은 예측 정확도 확보를 위해서는 발생할 수 있는 다양한 변수에 대하여 적절한 대응 또한 필요할 것이다. 본 연구를 통해 머신러닝의 공간정보 분야에서의 활용 가능성에 대해 확인할 수 있었다. 앞으로 머신러닝의 전수학습 방식은 검증이 완료된 모델의 활용이라는 장점으로 공간정보 분야의 다양한 문제 해결에 효과적으로 활용될 수 있을 것으로 예상된다.
본 연구에서는 도로교통표지 제작공정에 있어서 지상촬영을 통해 학습데이터를 구축하고 딥러닝의 한 분야인 전수학습 기법을 이용해서 이미지를 예측하고 분류하는 연구를 수행하였다. 이러한 연구 과정을 통해 다음과 같은 결과들을 확인하였다.
기존의 제작 방식은 대부분 수작업으로 이루어지고 있기에 데이터베이스 구축에 많은 시간과 비용이 소요되고 있다. 이에 본 연구에서는 머신러닝의 한 분야인 딥러닝의 이미지 처리 및 분류 방식을 제작 공정에 적용하여 효과적인 수치지도 제작 방안을 탐색하였다.
제안 방법
1/1,000 수치지형도제작에서는 수치지도 지형지물 표준코드에서 정의하고 있는 주의, 규제, 지시, 안내의 네 가지 항목을 구축하고 있으며 항공촬영으로 취득한 스테레오 영상에서 수치도화기를 이용하여 좌표를 취득하고 객체 종류의 판독을 위해 현지 조사한다. 정밀도로지도제작에서는 정밀도로 지도 작업규정 중 표지시설 영역에서 정의하고 있는 주의, 규제, 지시, 보조의 네 가지 항목을 구축하고 있으며 지상 MMS(Mobile Mapping System)를 통해 좌표를 취득하고 촬영 영상을 확인하여 객체 종류를 판독한다.
또한 입력 이미지에 대해서 픽셀의 위치를 옮겨가면서 반복적인 행렬 곱(matrix multiplication)연산이 필요하며 여러 개의 입력 피쳐 맵(feature map)으로부터 동일한 파라미터 값을 갖는 필터 연산을 해야 하기 때문에 구조적으로 병렬적인 연산의 특징을 갖는다. GPU는 이러한 병렬 연산에 뛰어난 성능을 보이고 있으며 본 연구의 주요 내용인 이미지 분석 및 처리를 위해 cuDNN 9.0 버전의 텐서플로우 GPU 버전을 사용하여 분석을 진행하였다.
ImageDataGenerator 라이브러리를 이용해서 원본 이미지에 이동, 회전, 축소, 확대, 반전 등의 파라미터 값을 전달하고 무작위로 50회 반복시켜 이미지를 변형하여 학습데이터를 증가시켰다. Fig.
국토교통부의 도로표지안내시스템에서는 도로안내 표지 영상을 제공하고 있다. 그러나 모델의 예측정확도를 높이기 위해서는 동일한 이미지 품질의 조건을 만족해야하기 때문에 지상촬영을 별도로 실시하였다. 촬영된 이미지는 지오태깅(geotagging) 되어 있어 이미지의 위치를 확인할 수 있다.
세 번째 정확한 모델의 예측결과를 얻기 위해 데이터 전처리(data preprocessing) 과정을 진행한다. 네 번째 인셉션-V3 모델을 이용하여 구축된 학습데이터에 대한 전수 학습을 진행한다. 다섯 번째 학습이 종료된 모델에 대하여 검증세트를 사용하여 모델을 평가한다.
네 번째 인셉션-V3 모델을 이용하여 구축된 학습데이터에 대한 전수 학습을 진행한다. 다섯 번째 학습이 종료된 모델에 대하여 검증세트를 사용하여 모델을 평가한다. 여섯 번째 검증이 종료된 모델을 이용하여 이미지에 대한 예측을 진행한다.
주의, 규제, 지시, 보조 학습데이터와 안내표지 학습데이터의 수량이 편차가 많이 나기 때문에 분석을 위해서 학습 데이터세트는 두 가지로 분류하였다. 데이터세트1은 주의, 규제, 지시, 보조표지로 지정하였고 데이터세트2는 주의, 규제, 지시, 보조, 안내표지로 지정하였다.
,2016). 본 연구에서는 구글이 만든 인셉션-V3 모델을 이용해서 구축한 데이터 세트에 대하여 전수 학습을 진행하였다. 기존의 CNN 모델들이 입력 이미지에 같은 크기의 컨벌루션 필터를 하나씩 추가하는 구조라면 인셉션은 한 번에 여러 크기의 필터를 동시에 사용한다(Szegedy et al.
두 번째 주의, 규제, 지시, 보조, 안내 표지에 대한 학습데이터를 구축한다. 세 번째 정확한 모델의 예측결과를 얻기 위해 데이터 전처리(data preprocessing) 과정을 진행한다. 네 번째 인셉션-V3 모델을 이용하여 구축된 학습데이터에 대한 전수 학습을 진행한다.
다섯 번째 학습이 종료된 모델에 대하여 검증세트를 사용하여 모델을 평가한다. 여섯 번째 검증이 종료된 모델을 이용하여 이미지에 대한 예측을 진행한다. 일곱 번째 예측 결과를 분석하여 이미지를 분류한다.
두 번째 안내표지는 지상 촬영을 통해 수집한 이미지에서 안내 표지에 해당하는 287매의 이미지를 찾아 안내표지 학습데이터로 저장하였다. 주의, 규제, 지시, 보조 학습데이터와 안내표지 학습데이터의 수량이 편차가 많이 나기 때문에 분석을 위해서 학습 데이터세트는 두 가지로 분류하였다. 데이터세트1은 주의, 규제, 지시, 보조표지로 지정하였고 데이터세트2는 주의, 규제, 지시, 보조, 안내표지로 지정하였다.
본 연구에서는 이와 같은 이미지 처리방법 중 이미지 분류 모델인 인셉션(Inception)-V3 모델을 이용하여 전수학습(transfer learning) 기법을 적용하였다. 지상촬영으로 취득한 이미지에 전수학습 기법을 적용하여 데이터 구축 항목을 예측하고 분류하는 방안을 분석하였다.
학습이 완료된 후 학습 성과를 확인하기 위해서 이미지에 대한 예측과정을 진행하였다. Fig.
대상 데이터
Table 3은 데이터세트1에 대한 예측 결과이다. 1번 이미지는 규제이며 모델은 87.884%로 예측하였다. 2번 이미지는 규제이며 뒤쪽에 청색 안내 표지가 있다.
2에 나와 있는 이미지를 대상으로 표지 종류별로 주의 40매, 규제 27매, 지시 35매, 보조 28매의 이미지를 학습데이터로 저장하였다. 두 번째 안내표지는 지상 촬영을 통해 수집한 이미지에서 안내 표지에 해당하는 287매의 이미지를 찾아 안내표지 학습데이터로 저장하였다. 주의, 규제, 지시, 보조 학습데이터와 안내표지 학습데이터의 수량이 편차가 많이 나기 때문에 분석을 위해서 학습 데이터세트는 두 가지로 분류하였다.
5번 이미지는 규제와 보조이다. 모델은 규제 69.215% 보조 12.647%로 예측하였다. 6번 이미지는 규제, 주의, 보조이며 모델은 규제 75.
3번 이미지는 규제와 보조가 동시에 있다. 모델은 규제 73.264% 보조 3.306%로 예측하였다. 4번 이미지는 규제이며 학습데이터에 없는 노란색 주의 표지와 청색 새주소 표지가 혼재되어 있다.
본 연구에서 사용한 주의, 규제, 지시, 보조표지 및 안내표지 자료는 GNSS/INS (Global Navigation Satellite System / Inertial Navigation System)를 장착한 지상카메라를 이용하여 계획된 노선에 대해서 지상촬영을 통해 수집하였다. 국토교통부의 도로표지안내시스템에서는 도로안내 표지 영상을 제공하고 있다.
본 연구에서 전수학습에 활용한 자료는 교통안전표지 및 도로표지이다. 도로교통법 제2조 15호에는 안전표지라고 하며 통상 교통안전표지로 부른다.
촬영된 이미지는 지오태깅(geotagging) 되어 있어 이미지의 위치를 확인할 수 있다. 지상 촬영은 경기도 광주 일대에서 진행하였으며 Fig. 4는 촬영결과를 ArcGIS에서 확인하는 과정이다.
1과 같다. 첫 번째 지상촬영(ground photography)을 통해 도로표지 데이터를 취득한다. 두 번째 주의, 규제, 지시, 보조, 안내 표지에 대한 학습데이터를 구축한다.
학습데이터의 구축은 첫 번째 주의, 규제, 지시, 보조 표지는 Fig. 2에 나와 있는 이미지를 대상으로 표지 종류별로 주의 40매, 규제 27매, 지시 35매, 보조 28매의 이미지를 학습데이터로 저장하였다. 두 번째 안내표지는 지상 촬영을 통해 수집한 이미지에서 안내 표지에 해당하는 287매의 이미지를 찾아 안내표지 학습데이터로 저장하였다.
이론/모형
이미지 처리에는 입력된 이미지를 클래스로 분류하는 이미지 분류, 전체 이미지에서 특정 개체의 경계선을 추출하여 영역을 나누는 이미지 분할, 그리고 전체 이미지에서 특정 개체의 존재 여부 및 위치를 파악하여 구별하는 객체 탐지 등이 있다. 본 연구에서는 이와 같은 이미지 처리방법 중 이미지 분류 모델인 인셉션(Inception)-V3 모델을 이용하여 전수학습(transfer learning) 기법을 적용하였다. 지상촬영으로 취득한 이미지에 전수학습 기법을 적용하여 데이터 구축 항목을 예측하고 분류하는 방안을 분석하였다.
본 연구의 분석 도구로는 텐서플로우를 사용하였다. 텐서플로우는 구글에서 개발하여 공개한 오픈소스 라이브러리이다.
이는 곧 데이터 분석의 신뢰도를 높이고 올바른 의사결정을 유도할 수 있다. 이미지 데이터 학습에는 딥러닝 라이브러리인 케라스에서 제공하는 ImageDataGenerator를 사용하였다. 객체를 생성할 때 파라미터를 전달해 주는 것을 통해 데이터의 전처리를 쉽게 할 수 있다.
성능/효과
647%로 예측하였다. 6번 이미지는 규제, 주의, 보조이며 모델은 규제 75.785% 주의0.935% 보조 4.898%로 예측하였다. 7번 이미지는 규제와 학습데이터 없는 노란색 주의 표지가 같이 있으며 뒤쪽에 지시 표지가 있다.
첫째, 안내표지의 경우는 예측정확도 97% 이상의 높은 정확도를 보였으나 주의, 규제 지시, 보조는 촬영된 이미지의 품질 및 설치 형태 등 여러 가지 요소에 의해서 예측정확도가 53%~87%로 떨어지는 결과를 보였다. 이러한 결과는 학습자료 구축과정에 의한 것으로 안내표지는 규격이 크고 기둥을 포함하여 학습 자료를 구축하였고 데이터 수량도 충분하였으며 지상 촬영 시에도 비교적 정확하게 촬영되어 예측정확도가 높게 나왔다. 반면 주의, 규제, 지시, 보조의 경우는 설치 형태가 다양하고 학습 자료가 법령으로 정해진 도표에 있는 것만 지정을 하여 수량이 부족하였으며 지상 촬영 시에도 크기가 너무 작고 여러 시설이 동시에 촬영되는 경우가 많아서 예측정확도가 낮게 나왔다.
첫째, 안내표지의 경우는 예측정확도 97% 이상의 높은 정확도를 보였으나 주의, 규제 지시, 보조는 촬영된 이미지의 품질 및 설치 형태 등 여러 가지 요소에 의해서 예측정확도가 53%~87%로 떨어지는 결과를 보였다. 이러한 결과는 학습자료 구축과정에 의한 것으로 안내표지는 규격이 크고 기둥을 포함하여 학습 자료를 구축하였고 데이터 수량도 충분하였으며 지상 촬영 시에도 비교적 정확하게 촬영되어 예측정확도가 높게 나왔다.
6(a)는 학습의 시작부터 4,000번의 반복 학습을 진행하는 동안 학습 및 검증 정확도의 변화를 텐서보드에서 확인한 것이다. 최종 학습의 결과는 학습 정확도= 100.0%, 검증 정확도= 100.0% 이다. Fig.
후속연구
딥러닝의 적용을 위해서는 학습 자료를 어떻게 구축하고 모델의 검증 및 예측정확도을 올리는 것이 가장 핵심적인 키워드가 될 것이다. 또한 보다 높은 예측 정확도 확보를 위해서는 발생할 수 있는 다양한 변수에 대하여 적절한 대응 또한 필요할 것이다. 본 연구를 통해 머신러닝의 공간정보 분야에서의 활용 가능성에 대해 확인할 수 있었다.
현장에서 취득한 이미지의 품질 또한 예측 결과에 영향을 미칠 수 있는 주요 변수가 된다. 반복적인 테스트를 통해 최적의 카메라 각도 및 차량 운행 경로에 대한 추가적인 분석이 필요하다.
본 연구를 통해 머신러닝의 공간정보 분야에서의 활용 가능성에 대해 확인할 수 있었다. 앞으로 머신러닝의 전수학습 방식은 검증이 완료된 모델의 활용이라는 장점으로 공간정보 분야의 다양한 문제 해결에 효과적으로 활용될 수 있을 것으로 예상된다.
질의응답
핵심어
질문
논문에서 추출한 답변
심층 신경망이란 무엇인가?
심층 신경망(deep neural network)은 입력 레이어와 출력레이어 사이에 다중의 히든(hidden) 레이어를 포함하는 인공신경망이다. 심층 신경망은 다중의 히든 레이어를 포함하여 다양한 비선형적 관계를 학습할 수 있다.
이미지 처리에는 어떤 방법들이 있는가?
이미지 처리는 머신러닝의 여러 분야 중 가장 빠르게 발전하고 있는 분야이다. 이미지 처리에는 입력된 이미지를 클래스로 분류하는 이미지 분류, 전체 이미지에서 특정 개체의 경계선을 추출하여 영역을 나누는 이미지 분할, 그리고 전체 이미지에서 특정 개체의 존재 여부 및 위치를 파악하여 구별하는 객체 탐지 등이 있다. 본 연구에서는 이와 같은 이미지 처리방법 중 이미지 분류 모델인 인셉션(Inception)-V3 모델을 이용하여 전수학습(transfer learning) 기법을 적용하였다.
심층 신경망은 어떠한 문제가 발생할 수 있는가?
,2017). 그러나 학습을 위한 많은 연산량과 과하게 학습하여 실제 데이터에 대해 오차가 증가하는 과적합(over fitting), 기울기 값의 소실(vanishing gradient problem)등의 문제가 발생할 수 있다.
참고문헌 (11)
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., and Kudlur, M. (2016), Tensorflow: A system for largescale machine learning, In 12th Symposium on Operating Systems Design and Implementation, 2-4 November, Savannah, USA, pp. 265-283.
Famili, A., Shen, W. M., Weber, R., and Simoudis, E. (1997), Data preprocessing and intelligent data analysis, Intelligent Data Analysis, Vol. 1, No. 1, pp. 3-23.
Hong, I.Y. (2017), Land use classification using LBSN data and machine learning technique, Journal of the Korean Cartographic Association, Vol. 17, No. 3, pp. 59-67. (in Korean with English abstract)
Kim, J.Y. (2015), Introducing google tensorflow, Journal of the Korean Computer Information Society, Vol. 23, No. 2, pp. 9-15.
Lecun, Y., Bengio, Y., and Hinton, G. (2015), Deep learning, Nature, Vol. 521, No. 7553, 436.
Lee, C.H. and Hong, I.Y. (2017), Investigation of topographic characteristics of parcels using UAV and machine learning, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 35, No. 5, pp. 349-356.
Lee, J.G., Lee, T.H., and Yoon, S.R. (2014), Machine learning for big data analytics, Journal of Korean Telecommunications Association(Information and Communication), Vol. 31, No. 11, pp. 14-26.
Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., and Alsaadi, F.E. (2017), A survey of deep neural network architectures and their applications, Neurocomputing, Vol. 234, pp. 11-26.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., and Rabinovich, A. (2015), Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7-12 June, Boston, USA, pp. 1-9.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., and Wojna, Z. (2016), Rethinking the Inception architecture for computer vision. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 27-30 June, Las Vegas, USA, pp. 2818-2826.
Xia, X., Xu, C., and Nan, B. (2017), Inception-v3 for flower classification, In 2017 2nd International Conference on Image, Vision and Computing (ICIVC), 2-4 June, Chengdu, China, pp. 783-787.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.